蘇姿丰的AI預言：AMD如何悄悄顛覆Nvidia的霸主地位？
你以為AI晶片戰爭已經結束了嗎？Nvidia的H100與B200系列牢牢佔據新聞頭條，股價一飛沖天，彷彿整個AI世界只圍繞著CUDA生態圈運轉。但就在上週，AMD執行長Lisa Su在Yahoo Finance專訪中拋出了一枚震撼彈：「接下來真正改變遊戲規則的，不是訓練，而是推理。」這句話聽起來低調，卻可能是2026年下半年最重要的科技投資訊號。當全球資金還在瘋狂追逐Nvidia時，蘇姿丰正帶著AMD悄悄佈局一場完全不同維度的戰爭——而這場戰爭的意義，恐怕比你想像的更深遠。
要點一：訓練時代的尾聲，推理時代的開端
如果你還停留在「AI晶片就是訓練大模型」的舊思維，那你就錯過了最關鍵的轉折點。Lisa Su在訪談中明確指出，目前市場對GPU的瘋狂需求主要來自大型雲端業者訓練GPT-4、Llama 4這類千億參數模型。但隨著模型參數增長趨緩，業界開始轉向「用小模型解決具體問題」——這正是推理（Inference）的爆發場景。
「訓練是一次性的高強度運算，推理卻是每秒鐘數百萬次的重複計算。」 她強調，未來三年內AI相關運算的複合年增長率將超過70%，而其中推理負載的佔比將從現在的30%一舉衝破60%。這個數據背後的涵義很簡單：誰能在推理效率上勝出，誰就能拿下下一階段的晶片霸權。
AMD的MI300X與即將推出的MI400系列，在推理任務上已經展現出具備競爭力的每瓦效能。更關鍵的是，AMD的開放軟體堆疊ROCm正在快速補足與CUDA之間的差距。許多中小型企業與邊緣運算場景，並不需要Nvidia那種「暴力訓練」的能力；他們需要的是低成本、低延遲、又能隨插即用的推理解決方案。這正是AMD的突破口。
要點二：專用晶片 vs 通用GPU——AMD的雙軌戰略
業界長期爭論AI晶片該走「通用GPU」還是「專用ASIC」路線。Google有TPU、Amazon有Trainium、甚至微軟也開始自研晶片，但Lisa Su給了我們一個更務實的答案：「我們不需要二選一，我們要讓同一個架構同時服務兩種需求。」
AMD的CDNA架構（專為運算設計）與RDNA架構（專為繪圖設計）正在走向更緊密的融合。新一代Instinct加速器不僅能處理大型訓練任務，還內建了專為Transformer模型最佳化的硬體區塊。也就是說，AMD的晶片在面對GPT-4這類模型時，訓練效能或許仍略輸Nvidia一籌，但到了推理環節，卻能以更低的功耗與成本提供「接近專用晶片」的吞吐量。
更值得注意的，是AMD在邊緣AI的佈局。蘇姿丰在訪談中特別提到，像是智慧工廠的自動光學檢測、醫療影像的即時診斷、甚至電動車的自動駕駛決策，這些場景都需要極低的延遲與在有限的功耗預算內完成推論。AMD的Ryzen AI處理器與Versal邊緣運算平台，正好卡位這個每年數十億顆晶片的巨大市場。相比之下，Nvidia的Jetson系列雖然強悍，但價格與功耗仍偏高。AMD正在用更靈活的產品組合，搶食這些被忽略的「長尾AI應用」。
要點三：軟體生態的致命弱點，正在被ROCm 6.0修補
說起AMD的痛點，所有人第一個想到的就是軟體。過去五年，ROCm（AMD的開放式運算平台）一直被批評為功能殘缺、文件混亂、社群支援不足。但Lisa Su在訪談中難得展現了自信：「ROCm 6.0已經大量導入PyTorch與TensorFlow的原生支援，我們甚至貢獻了超過200個核心優化補丁回開源社群。」
這不是空話。根據實際測試，在Llama 3.1 70B模型的推理任務中，ROCm 6.0搭配MI300X的表現，已經達到CUDA 12搭配H100的85%左右。雖然仍有差距，但對於價格只有Nvidia方案約60%的AMD來說，這個效能落差變得可以接受。更重要的是，許多雲端用戶開始發現，如果他們的工作負載是推理而非訓練，AMD的方案能節省40%以上的總持有成本（TCO）。
「開發者很懶，他們只想寫一次程式，然後在任何硬體上跑。」蘇姿丰這句話點出了她的核心策略：讓ROCm成為「AI界的Linux」——不是最華麗，但足夠開放、足夠便宜，讓企業不需要被單一供應商綁架。一旦這個生態開始自我強化，Nvidia的護城河就會逐漸鬆動。
要點四：供應鏈彈性——AMD的另一張王牌
當Nvidia的H100在2024年仍一卡難求、交期長達半年時，AMD卻展現了驚人的供應鏈管理能力。Lisa Su在訪談中透露，AMD已經與台積電（TSMC）簽訂了長期CoWoS先進封裝產能合約，並且啟用了多家OSAT合作夥伴，確保MI300系列從2025年第四季開始就能穩定出貨。
「我們學到了教訓。過去我們總是被產能拖累，但現在我們提前兩年鎖定產能，並且將晶片設計模組化，以便在必要時快速切換代工廠。」她強調，當所有客戶都想在2026年大規模部署AI應用時，誰能準時交貨，誰就能贏得訂單。
這不是紙上談兵。微軟已經公開宣布將在Azure中大量採用AMD MI300X作為推理加速器；Meta也開始在推薦系統中加入AMD晶片。當這些超大規模雲端業者開始採用雙供應商策略，AMD的營收動能將會非常強勁。根據業界估算，2026年AMD在資料中心AI晶片的市佔率可望從目前的約15%成長到25%——這對一家從2019年才真正投入AI加速器的公司來說，已經是驚人的進展。
要點五：對投資人來說，真正的風險在哪裡？
聽起來AMD似乎萬事俱備，但Lisa Su在訪談的最後也坦承了最大的不確定性：「AI模型本身的演進方向，我們無法預測。」 如果未來主流模型從Transformer架構轉向某種全新架構（例如Mamba、State Space Model），那麼所有針對Transformer最佳化的硬體優勢都將歸零。
這是一個被許多人忽略的風險。Nvidia的Hopper架構幾乎是為Transformer量身打造；AMD的CDNA 4也做了類似的設計。一旦學術界或業界突然找到更高效的架構，整個硬體競爭格局可能在一夜之間改變。此外，量子運算的商用化時程雖然還很遠，但一旦突破，對傳統AI晶片也會造成顛覆。
不過蘇姿丰的看法比較務實：「我們不需要預測未來，我們只需要設計出能夠快速適應變化的架構。」 AMD的Chiplet（小晶片）設計讓它能夠靈活組合不同運算單元，萬一新的AI演算法出現，AMD只需調整其中一個小晶片，而不需要重新設計整個GPU。這種模組化思維，可能在長線為AMD帶來比Nvidia更快的迭代速度。
核心觀點速覽表
| 面向 | Nvidia | AMD |
|---|---|---|
| 訓練效能 | 霸主級（H100/B200） | 追趕中（MI300X約為H100的80-85%） |
| 推理效率 | 高效但昂貴 | 接近Nvidia 85%效能，但成本低40% |
| 軟體生態 | CUDA成熟、壟斷 | ROCm 6.0快速進化，開源策略 |
| 供應鏈穩定度 | 產能受限，交期長 | 長期合約鎖定，模組化彈性高 |
| 邊緣AI | Jetson系列高階但貴 | Ryzen AI/Versal，性價比更強 |
| 風險因子 | 單一供應商依賴、架構僵化 | 軟體生態仍不完美、架構轉型風險 |
總結：你該做什麼？
蘇姿丰的訊息其實非常清楚：AI晶片市場還沒有終局。訓練的瘋狂軍備競賽終將放緩，取而代之的是無處不在的推理需求——而推理正是AMD最能發揮價格與彈性優勢的戰場。對於投資人來說，如果你已經持有Nvidia，不要急著拋售；但如果你還在觀望，或許該開始認真研究AMD的MI400系列與ROCm生態的進展。
真正值得思考的問題是：當市場的注意力全部集中在某一家公司身上時，你是否已經準備好看到那個「被低估的後發者」？ 這場AI晶片戰爭，才剛進入最有趣的下半場。